微架构设计空间探索方法、装置和计算机设备

本技术涉及互联网，特别是涉及一种微架构设计空间探索方法、装置、计算机设备、存储介质和计算机程序产品。

背景技术：

1、随着互联网技术的快速发展，目前微处理器拥有越来越复杂的体系结构，行业在开发微处理器时，就需要在微处理器的架构设计空间中找到优秀的架构参数配置，以此来提升微处理器的性能。

2、现有技术中，为了在微处理器的架构设计空间中寻找最优的参数配置，通常是采用机器学习技术，也即通过构建机器学习模型，预测架构设计空间中最优的空间参数配置。然而目前这些机器学习模型都是对应每一个配置维度单独建立的，这会使得预测出的各配置参数之间相互孤立，从而导致空间配置预测准确率较低。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种能够提高微架构设计空间配置预测准确率的微架构设计空间探索方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。

2、第一方面，本技术提供了一种微架构设计空间探索方法。所述方法包括：

3、获取目标微处理器的微架构设计空间中的设计参数；将所述设计参数输入各配置维度对应的第一模型，得到所述目标微处理器在各所述配置维度下的初始配置参数；将各所述初始配置参数输入任务注意力模型中，输出对应的参数权重；将各所述参数权重和各所述初始配置参数进行融合，得到相关性特征向量；根据所述相关性特征向量，预测出所述目标微处理器在各所述配置维度下的目标配置参数。

4、在一实施例中，所述配置维度包括性能、功耗和面积，所述第一模型包括性能维度模型、功耗维度模型和面积维度模型，所述初始配置参数包括初始性能参数、初始功耗参数和初始面积参数；

5、所述将所述设计参数输入各配置维度对应的第一模型，得到设计参数在各所述配置维度下的初始配置参数，包括：将所述设计参数输入所述性能维度模型的全连接层，输出所述设计参数在性能维度下的初始性能参数；将所述设计参数输入所述面积维度模型的全连接层，输出所述设计参数在功耗维度下的初始功耗参数；将所述设计参数输入所述功耗维度模型的全连接层，输出所述设计参数在面积维度下的初始面积参数。

6、在一实施例中，所述方法还包括：采集样本微处理器的微架构设计空间中的设计参数样本，对所述设计参数样本进行模拟仿真，得到模拟仿真后的标记样本，以及与所述标记样本对应的模拟仿真结果；基于所述标记样本和所述模拟仿真结果，对各配置维度对应的第一初始模型进行模型训练，得到第一模型；将所述标记样本输入所述第一模型，得到对应的初始样本配置参数；基于所述初始样本配置参数和所述模拟仿真结果，对第二初始模型进行模型训练，直至所述第二初始模型的训练轮次达到预设轮次时，结束模型训练，得到任务注意力模型，其中，所述第二初始模型是基于任务注意力建立的模型。

7、在一实施例中，所述任务注意力模型包括第一子模型和第二子模型；在所述得到任务注意力模型的步骤之后，还包括：将所述设计参数样本中的未标记样本输入所述第一模型，得到未标记样本配置参数；将所述未标记样本配置参数分别输入所述第一子模型和所述第二子模型，得到对应的第一子输出结果和第二子输出结果；对所述第一子输出结果和所述第二子输出结果进行分歧度检验，得到分歧度检验结果；基于所述分歧度检验结果，在所述未标记样本中筛选出第一待标记样本；对所述第一待标记样本进行模拟仿真，得到第一目标样本，并将所述第一目标样本放入所述标记样本中；直至所述第一子模型和所述第二子模型分别对应的训练轮次均达到预设轮次时，结束模型训练，得到第一目标模型和第二目标模型，将所述第一目标模型和所述第二目标模型共同作为所述任务注意力模型。

8、在一实施例中，所述任务注意力模型包括第一子模型和第二子模型；所述基于所述初始样本配置参数和所述模拟仿真结果，对第二初始模型进行模型训练，直至所述第二初始模型的训练轮次达到预设轮次时，结束模型训练，得到任务注意力模型，还包括：将所述设计参数样本中的未标记样本输入所述第一模型，得到未标记样本配置参数；将所述未标记样本配置参数分别输入所述第一子模型和所述第二子模型，得到对应的第一子输出结果和第二子输出结果；基于所述第一子输出结果和所述第二子输出结果，计算所述未标记样本对应的预测帕累托体积，其中，所述预测帕累托体积是指所述未标记样本加入所述标记样本后的帕累托体积；获取所述标记样本对应的真实帕累托体积，基于所述预测帕累托体积和所述真实帕累托体积，在所述未标记样本中筛选出第二待标记样本；对所述第二待标记样本进行模拟仿真，得到第二目标样本，并将所述第二目标样本放入所述标记样本中；直至所述第一子模型和所述第二子模型分别对应的训练轮次均达到预设轮次时，结束模型训练，得到第一目标模型和第二目标模型，将所述第一目标模型和所述第二目标模型共同作为所述任务注意力模型。

9、在一实施例中，所述对所述设计参数样本进行模拟仿真，得到模拟仿真后的标记样本，包括：对所述设计参数样本进行模拟仿真，得到第一标记样本；计算所述设计参数样本中未进行模拟仿真的未标记样本与所述第一标记样本之间的最短距离，并确定所述最短距离中的最长距离；在所述未标记样本中筛选出与所述最长距离对应的目标样本，对所述目标样本进行模拟仿真，得到第二标记样本；将所述第二标记样本加入所述第一标记样本中，得到目标标记样本，直至所述目标标记样本的数量达到预设样本数量时，将所述目标标记样本作为所述标记样本。

10、在一实施例中，所述模拟仿真结果包括性能仿真结果、功耗仿真结果和面积仿真结果；所述对所述设计参数样本进行模拟仿真，包括：将所述设计参数样本输入预设性能模拟器，进行性能模拟仿真，得到所述设计参数样本对应的性能仿真结果；将所述性能仿真结果输入预设结合型模拟器，得到所述设计参数样本对应的功耗仿真结果和面积仿真结果，其中，所述预设结合型模拟器集成了功耗与面积的模拟仿真功能。

11、第二方面，本技术还提供了一种微架构设计空间探索装置。所述装置包括：

12、设计参数获取模块，用于获取目标微处理器的微架构设计空间中的设计参数；初始配置参数获取模块，用于将所述设计参数输入各配置维度对应的第一模型，得到所述目标微处理器在各所述配置维度下的初始配置参数；权重计算模块，用于将各所述初始配置参数输入任务注意力模型中，输出对应的参数权重；相关性分析模块，用于将各所述参数权重和各所述初始配置参数进行融合，得到相关性特征向量；预测模块，用于根据所述相关性特征向量，预测出所述目标微处理器在各所述配置维度下的目标配置参数。

13、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

14、获取目标微处理器的微架构设计空间中的设计参数；将所述设计参数输入各配置维度对应的第一模型，得到所述目标微处理器在各所述配置维度下的初始配置参数；将各所述初始配置参数输入任务注意力模型中，输出对应的参数权重；将各所述参数权重和各所述初始配置参数进行融合，得到相关性特征向量；根据所述相关性特征向量，预测出所述目标微处理器在各所述配置维度下的目标配置参数。

15、第四方面，本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

16、获取目标微处理器的微架构设计空间中的设计参数；将所述设计参数输入各配置维度对应的第一模型，得到所述目标微处理器在各所述配置维度下的初始配置参数；将各所述初始配置参数输入任务注意力模型中，输出对应的参数权重；将各所述参数权重和各所述初始配置参数进行融合，得到相关性特征向量；根据所述相关性特征向量，预测出所述目标微处理器在各所述配置维度下的目标配置参数。

17、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

18、获取目标微处理器的微架构设计空间中的设计参数；将所述设计参数输入各配置维度对应的第一模型，得到所述目标微处理器在各所述配置维度下的初始配置参数；将各所述初始配置参数输入任务注意力模型中，输出对应的参数权重；将各所述参数权重和各所述初始配置参数进行融合，得到相关性特征向量；根据所述相关性特征向量，预测出所述目标微处理器在各所述配置维度下的目标配置参数。

19、上述微架构设计空间指标预测方法、装置、计算机设备、存储介质和计算机程序产品，首先获取目标微处理器的微架构设计空间中的设计参数，再将所述设计参数输入各配置维度对应的第一模型，得到所述目标微处理器在各所述配置维度下的初始配置参数，此时得到的各初始配置参数还是相互独立的，若直接将各初始配置参数用于目标微处理器的微架构设计空间配置是不准确的，因此该方法再将各所述初始配置参数输入任务注意力模型中，输出对应的参数权重；将各所述参数权重和各所述初始配置参数进行融合，得到相关性特征向量，从而根据所述相关性特征向量，预测出所述目标微处理器在各所述配置维度下的目标配置参数。利用任务注意力模型，关注到各初始配置参数之间的相关性，从而生成结合了各初始配置参数之间的相关性的目标配置参数，克服了目前由于对各配置维度单独建立机器学习模型预测出相互孤立的配置参数，进而导致空间配置预测结果的准确率较低的技术缺陷，所以，该方法能够有效提高空间配置预测的准确率。